Comprendre les LLM

Vous utilisez déjà l'IA. Ou vos collègues l'utilisent pendant que vous regardez ce module.

Claude, ChatGPT, Copilot, Gemini, ces outils sont dans les entreprises depuis 2023. Pas dans les laboratoires de recherche. Dans les emails, les comptes rendus, les présentations, les analyses commerciales.

Dans une organisation comme la vôtre, des dizaines de salariés ouvrent ces outils chaque semaine. Certains obtiennent des résultats remarquables. D'autres accumulent des erreurs sans savoir pourquoi.

La différence ne vient pas du talent. Elle vient de la compréhension.

La plupart des gens utilisent l'IA comme un moteur de recherche très puissant, on pose une question, on attend une réponse fiable. Et c'est là que les erreurs commencent.

Ce bloc va vous expliquer ce que ces outils font réellement, et ce qu'ils ne font pas. Pas pour vous décourager de les utiliser. Pour vous donner les bases qui permettent de les utiliser correctement.

Comprendre la différence entre ce qu'est l'IA et ce qu'on croit qu'elle est, c'est la fondation de tout ce qui suit.

Commençons par décortiquer le terme que vous allez entendre partout.

LLM, c'est l'acronyme anglais de *Large Language Model*, Grand Modèle de Langage. C'est le moteur qui se trouve au cœur de tous ces outils.

Qu'est-ce qu'un LLM, exactement ?

C'est un modèle statistique entraîné sur des milliards de textes : des livres, des articles, du code, des conversations, des sites web. À travers cet entraînement, il a appris une seule chose, fondamentale : quelle suite de mots est la plus probable après ce que vous venez d'écrire.

Il ne comprend pas. Il prédit.

C'est une distinction énorme, et elle conditionne tout ce que vous allez apprendre dans cette formation.

Voici l'image qui rend ça concret.

Imaginez un stagiaire extrêmement cultivé. Il a lu des milliers de livres, de rapports, de manuels, d'articles. Il connaît le droit, la finance, le marketing, la gestion de projet. Il s'exprime parfaitement, en français comme en anglais.

Mais ce stagiaire arrive chez vous le premier jour sans aucun contexte sur votre entreprise. Il ne connaît pas vos clients, vos procédures internes, vos contraintes sectorielles, votre culture. Il ne sait même pas ce qu'on attend de lui.

Si vous lui donnez des instructions précises et un contexte clair, il produit un travail remarquable. Si vous lui posez une question vague sans contexte, il improvise avec ce qu'il sait, et produit quelque chose de plausible, mais peut-être pas du tout adapté à votre réalité.

L'IA générative fonctionne comme ça. Elle a le savoir, elle n'a pas votre contexte. C'est vous qui devez le lui fournir.

Maintenant, un point souvent mal compris.

Quand vous ouvrez ChatGPT, Claude.ai ou Copilot, vous n'utilisez pas juste un LLM brut. Vous utilisez une plateforme qui ajoute des mécanismes par-dessus le LLM.

Ces mécanismes peuvent être : la recherche web pour aller chercher des informations récentes, l'exécution de code pour faire des calculs, la mémoire qui retient ce que vous avez dit dans une conversation précédente, des outils spécialisés pour analyser des images ou des documents.

Selon la plateforme, selon votre forfait, selon votre réglage, ces mécanismes sont activés ou non. Une réponse qui semble étonnamment à jour peut venir d'une recherche web par-dessus le LLM. Une réponse qui semble structurée comme un raisonnement humain peut venir d'un mécanisme dédié.

Pourquoi c'est important ? Parce que les comportements peuvent varier. Un LLM brut a une date de coupure stricte. Une plateforme avec recherche web peut accéder à des informations plus récentes. Les réflexes restent les mêmes, vérifier, sourcer, ne pas faire confiance aveuglément, mais en sachant ce qui parle, vous comprenez mieux ce que vous obtenez.

Et parce que le LLM prédit plutôt qu'il ne comprend, il lui arrive de produire des réponses qui semblent correctes mais ne le sont pas. On appelle ça une hallucination.

Attention au mot. Une hallucination, ce n'est pas un mensonge. L'IA ne cherche pas à vous tromper, elle n'a pas d'intention. C'est le résultat normal de son mécanisme de prédiction : la réponse la plus plausible statistiquement, qui se trouve être factuellement fausse.

Exemple typique, ce comportement est documenté, il varie selon le modèle, la version et la plateforme. Demandez à un assistant une référence juridique précise. Il peut vous citer un article de loi avec un numéro, un intitulé, une date d'entrée en vigueur. Le tout dans un style juridique parfait. Sauf que cet article n'existe pas.

L'assistant n'a pas menti. Il a fait ce qu'il fait toujours : produire la réponse la plus plausible. Et une citation juridique bien formatée est très plausible statistiquement, parce qu'il en a lu des milliers.

C'est ça, une hallucination. Forme correcte, fond potentiellement faux.

Maintenant qu'on sait ce qu'est un LLM, voyons ce qu'il ne fait pas. Trois limites fondamentales à garder en tête.

Première limite : la date de coupure.

Le LLM a été entraîné jusqu'à une certaine date, sa *date de coupure*, ou *cut-off* en anglais. Tout ce qui s'est passé après, il ne le sait pas.

Ce que ça signifie concrètement : une loi votée au Parlement il y a six mois, une modification du code du travail entrée en vigueur en janvier, une nouvelle réglementation sectorielle, le LLM peut ignorer tout ça. Pire, il peut vous donner la règle d'avant avec la même assurance qu'une règle en vigueur.

Comme on l'a vu, certaines plateformes ajoutent une recherche web pour compenser cette limite. Mais ça ne résout pas tout, ça vous demande au contraire plus de vigilance sur la fiabilité des sources retournées. Une plateforme qui vous renvoie un article daté de 2024 n'est pas plus juste qu'un LLM brut qui vous donne la règle de 2024.

Deuxième limite : il ne voit pas vos documents si vous ne les lui donnez pas.

Un fichier Excel ouvert sur votre bureau. Un rapport Word enregistré sur votre réseau. Une base de données interne. Tout ça est invisible pour l'assistant. Pour qu'il travaille avec vos données, vous devez les lui fournir explicitement.

Et là, deux précautions. Première : attention aux données sensibles, on verra ça en détail au bloc suivant. Deuxième : les plateformes proposent des espaces de travail (Projets, instructions, mémoires) qui permettent de charger vos documents une fois, sans recoller à chaque session. C'est un sujet à part entière.

Troisième limite : le LLM ne signale pas spontanément ce qu'il ne sait pas.

C'est la limite la plus insidieuse.

Quand vous posez une question à un collègue qui n'est pas sûr, il hésite. Il dit *« je crois que »*, *« je vérifierais »*, *« demande à un tel »*. Le LLM, lui, par défaut, produit toujours une réponse, avec le même ton d'assurance, qu'il soit certain ou en train d'inventer.

Il ne va pas vous dire spontanément *« attention, je ne suis pas sûr »*. Ce comportement existe, il s'active, mais il faut le demander explicitement dans votre prompt. On verra comment au bloc 3.

Maintenant qu'on comprend le mécanisme, voici ce que ça implique dans votre quotidien.

La qualité de votre demande détermine la qualité de la réponse.

L'assistant répond à la question posée. Si la question est floue, la réponse sera floue, même si elle semble bien structurée.

Et voici un premier levier, simple, puissant : donnez un rôle. Avant de poser votre question, précisez qui vous voulez que l'assistant soit dans ce contexte.

*« Agis en tant que directeur financier d'une organisation de 80 personnes. »*

*« Tu es un expert en droit du travail qui conseille des managers non juristes. »*

*« Tu es un chargé de communication qui rédige pour des acheteurs techniques. »*

Attribuer un rôle donne à l'assistant un cadre de référence et réduit nettement les réponses génériques. C'est l'un des premiers réflexes que vous allez développer.

Certains types d'informations doivent toujours être vérifiés dans une source officielle.

Dates. Chiffres. Citations. Références réglementaires. Ce sont les zones à risque.

Voici un cas qu'on rencontre régulièrement en mission. Un manager demande une analyse rapide de son secteur, taux de croissance, parts de marché, performances des concurrents. L'assistant produit un rapport bien structuré, avec des chiffres précis, des pourcentages, des comparaisons. Très convaincant.

Sauf que ces chiffres sont inventés. L'assistant a produit des données financières plausibles pour un secteur qu'il connaît mal ou pour lequel il n'avait pas de données récentes. Et le manager les a utilisés dans une présentation stratégique.

La règle : tout chiffre, toute date, toute référence légale ou réglementaire dans un livrable IA doit être vérifié avant utilisation dans un contexte professionnel. L'assistant est excellent pour structurer, reformuler, organiser. Il est risqué sur les faits précis.

Vous restez responsable de tout ce que vous envoyez ou publiez.

L'assistant propose. Vous analysez. Vous validez. Vous décidez. Ce n'est pas une délégation de responsabilité. C'est un outil d'assistance.

L'humain reste décisionnaire. C'est le fil rouge de toute cette formation. Ce n'est pas négociable, même quand les résultats semblent parfaits.

Pour vos tâches récurrentes, utilisez les bons outils.

Si vous avez besoin que l'assistant travaille régulièrement avec vos documents internes, vos procédures, vos bases produits, votre convention collective, il existe des espaces de travail dédiés. Selon la plateforme, ils s'appellent Projets, espaces de travail, instructions personnalisées, ou autre. Vous les configurez une fois, l'assistant les utilise à chaque session.

Pour l'instant, retenez l'essentiel : il y a une différence entre coller vos données dans une fenêtre de chat à chaque fois, et les charger dans un espace configuré.

Faisons le point.

Un LLM, Grand Modèle de Langage, est un moteur de prédiction statistique. Il ne comprend pas. Il prédit la suite la plus probable de votre demande.

Une plateforme, ChatGPT, Claude.ai, Copilot, ajoute des mécanismes par-dessus le LLM. Recherche web, mémoire, outils. Connaître ce qui parle vous aide à comprendre ce que vous obtenez.

Trois limites fondamentales : la date de coupure, l'absence d'accès à vos fichiers, et l'absence de signalement de l'incertitude.

Quatre implications : clarifiez vos demandes et donnez un rôle, vérifiez les faits critiques dans des sources officielles, gardez la main sur toutes vos décisions, et utilisez les espaces de travail adaptés à votre contexte.

Ce que vous venez de comprendre, mécanisme de prédiction, hallucinations, limites, c'est ce qui fait la différence entre les utilisateurs qui en tirent une valeur réelle et ceux qui accumulent les erreurs sans comprendre pourquoi.

Au bloc suivant, on parle des risques concrets dans un contexte professionnel, et des règles simples pour les éviter. Comprendre l'IA, c'est bien. Savoir quoi ne pas faire avec elle, c'est tout aussi important.